Применение алгоритма дерева решений для ранней дифференциальной диагностики между различными клиническими формами острого иксодового клещевого боррелиоза и клещевого энцефалита

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Обоснование. Клещевой энцефалит и иксодовый клещевой боррелиоз являются наиболее распространенными в России природно-очаговыми инфекциями, не редко протекающими в виде смешанной формы, которую зачастую клинически сложно отличить от моноинфекции в начале болезни, что может быть обусловлено поздней лабораторной верификацией диагноза и требует поиска принципиально нового подхода к проблеме раннего дифференциального диагноза клещевых инфекций.
Цель исследования: создание алгоритмов деревьев решений для ранней дифференциальной диагностики между изолированными и смешанными формами острого иксодового клещевого боррелиоза и клещевого энцефалита с преобладанием лихорадочного синдрома на основе анализа клинико-лабораторных данных.
Материалы и методы. Ретроспективно проанализированы 55 клинико-лабораторных параметров, полученных в первую неделю болезни от 291 госпитализированного больного клещевыми инфекциями, имевшими или не имевшими мигрирующую эритему на месте присасывания иксодового клеща, включенных в одноцентровое исследование в период с 2010 по 2023 гг. У 211 больных без эритемы анализ проводился между тремя классами в зависимости от диагноза: имевшими смешанную инфекцию безэритемной формы иксодового клещевого боррелиоза с клещевым энцефалитом, моноинфекцию безэритемного боррелиоза или моноинфекцию клещевого энцефалита. Два других класса, включавших 80 пациентов с эритемой, имели микст-заболевание острого эритемного боррелиоза с клещевым энцефалитом или боррелиозную моноинфекцию. Язык программирования Python был применен для разработки двух моделей деревьев решений. Определялись показатели важности всех предикторов. Каждый из классов пациентов был случайным образом разделен на обучающую (70%) и тестовую (30%) выборки. Оценка точности моделей была основана на ROC-анализе.
Результаты. Алгоритм дерева решений для ранней дифференциальной диагностики у больных клещевыми инфекциями без эритемы включал следующие наиболее важные предикторы: максимальную высоту лихорадки, озноб, индекс соотношения нейтрофилов и моноцитов, СОЭ, абсолютное число реактивных лимфоцитов и незрелых гранулоцитов, а также процентное содержание эозинофилов. Модель для дифференциального диагноза между пациентами с эритемой включала: высоту лихорадки, абсолютное число реактивных лимфоцитов и незрелых гранулоцитов, а также процентное содержание базофилов. Обе модели деревьев решений получили высокую прогностическую оценку на основании определения чувствительности, специфичности, прецизионности, точности и показателя F1, а также площади под ROC-кривой, превышающей 0,90.
Заключение: С использованием клинико-лабораторных параметров разработаны два алгоритма дерева решений, имеющих высокую чувствительность, которые легко применимы в клинической практике для ранней дифференциальной диагностики клещевых инфекций с преобладанием синдрома лихорадки.

Об авторах

Екатерина Николаевна Ильинских

Сибирский государственный медицинский университет

Автор, ответственный за переписку.
Email: infconf2009@mail.ru
ORCID iD: 0000-0001-7646-6905
SPIN-код: 5245-5958
Scopus Author ID: 6602611268
ResearcherId: P-1653-2016

доктор медицинских наук, доцент

Россия, 634050, Томск, Московский тракт, д. 2

Евгения Николаевна Филатова

Сибирский государственный медицинский университет

Email: synamber@mail.ru
ORCID iD: 0000-0001-9951-8632
SPIN-код: 8094-3417
ResearcherId: AEQ-2635-2022

ассистент кафедры инфекционных болезней и эпидемиологии

Россия, 634050, Томск, Московский тракт, д. 2

Кирилл Владимирович Самойлов

Сибирский государственный медицинский университет

Email: samoilov.krl@gmail.com
ORCID iD: 0000-0002-8477-8551
SPIN-код: 4710-0894
ResearcherId: HGC-9557-2022

Ассистент кафедры инфекционных болезней и эпидемиологии

Россия, 634050, Томск, Московский тракт, д. 2

Алина Васильевна Семенова

Сибирский государственный медицинский университет

Email: wind_of_change95@mail.ru
ORCID iD: 0000-0001-5195-3897
SPIN-код: 2690-1166
ResearcherId: ACK-7745-2022

Ассистент кафедры инфекционных болезней и эпидемиологии

Россия, 634050, Томск, Московский тракт, д. 2

Сергей Владимирович Аксёнов

Сибирский государственный медицинский университет

Email: axyonov@tpu.ru
ORCID iD: 0000-0002-1251-7133
SPIN-код: 2229-4552
Scopus Author ID: 55543000900
ResearcherId: F-8210-2017

кандидат технических наук, доцент 

Россия, 634050, Томск, Московский тракт, д. 2

Список литературы

  1. Лобзин Ю.В., Усков А.Н., Козлов С.С. Лайм-боррелиоз: иксодовые клещевые боррелиозы. Санкт-Петербург : Фолиант, 2000. 156 с.
  2. Иерусалимский А.П. Клещевой энцефалит : руководство для врачей. Новосибирск : Государственная медицинская академия МЗ РФ, 2001. 360 с.
  3. Бондаренко А.Л., Зыкова И.В., Аббасова С.В., Тихомолова Е.Г., Нехорошкина Е.Л. Микст-инфекция клещевого энцефалита и иксодовых клещевых боррелиозов // Инфекционные болезни. 2011. Т. 9, № 4. С. 54–63.
  4. Субботин А.В., Семенов В.А., Этенко Д.А. Проблема современных смешанных нейроинфекций, передающихся иксодовыми клещами // Архивъ внутренней медицины. 2012. № 2 (4). С. 35–39.
  5. Конькова-Рейдман А.Б., Злобин В.И. Клинический полиморфизм иксодовых клещевых боррелиозов (микст-инфекция с клещевым энцефалитом) на территории Южно-Уральского региона России // Сибирский медицинский журнал (Иркутск). 2011. Т. 100, № 1. С. 17–20.
  6. Миноранская научный сотрудник , Миноранская Е.И. Клинико-эпидемиологическая характеристика микст-инфекции клещевого боррелиоза и клещевого энцефалита в Красноярском крае // Казанский медицинский журнал. 2013. Т. 94, № 2. С. 211–215.
  7. Андронова Н.В., Миноранская научный сотрудник , Миноранская Е.И. Специфический иммунный ответ и некоторые отдаленные результаты при остром течении иксодового клещевого боррелиоза и микст-инфекции клещевого энцефалита и иксодового клещевого боррелиоза // Сибирский медицинский журнал (Иркутск). 2011. Т. 100, № 1. С. 54–57.
  8. Tanner L., Schreiber M., Low J.G., et al. Decision tree algorithms predict the diagnosis and outcome of dengue fever in the early phase of illness // PLoS Negl Trop Dis. 2008. Vol. 2, N 3. P. e196. doi: 10.1371/journal.pntd.0000196
  9. Tamibmaniam J., Hussin N., Cheah W.K., Ng K.S., Muninathan P. Proposal of a clinical decision tree algorithm using factors associated with severe dengue infection // PLoS One. 2016. Vol. 11, N 8. P. e0161696. doi: 10.1371/journal.pone.0161696
  10. Dobrijević D., Andrijević L., Antić J., Rakić G., Pastor K. Hemogram-based decision tree models for discriminating COVID-19 from RSV in infants // J Clin Lab Anal. 2023. Vol. 37, N 6. P. e24862. doi: 10.1002/jcla.24862
  11. Kumaran M., Pham T.M., Wang K., et al. Predicting the risk factors associated with severe outcomes among COVID-19 patients-decision tree modeling approach // Front Public Health. 2022. Vol. 10. P. 838514. doi: 10.3389/fpubh.2022.838514
  12. Брюс П., Брюс Э. Практическая статистика для специалистов Data Science. Санкт-Петербург : БХВ-Петербург, 2018. 304 с.
  13. Kowalska-Kępczyńska A., Mleczko M., Domerecka W., Krasowska D., Donica H. Assessment of immune cell activation in pemphigus // Cells. 2022. Vol. 11, N 12. P. 1912. doi: 10.3390/cells11121912
  14. Гребенникова И.В., Лидохова О.В., Макеева А.В., и др. Возрастные аспекты изменения лейкоцитарных индексов при COVID-19 // Научно-медицинский вестник Центрального Черноземья. 2022. № 87. С. 9–15.
  15. Петри А., Сэбин К. Наглядная медицинская статистика / под ред. В.П. Леонова. Москва : ГЭОТАР-Медиа, 2015. 216 с.
  16. Huang Y., Li S., Lin B., et al. Early Detection of college students’ psychological problems based on decision tree model // Front Psychol. 2022. Vol. 13. P. 946998. doi: 10.3389/fpsyg.2022.946998
  17. Mukhopadhyay S. Advanced data analytics using Python: with machine learning, deep learning and NLP examples. Kolkata : Apress Berkeley, 2018. 186 p. doi: 10.1007/978-1-4842-3450-1
  18. Kalafi E.Y., Nor N.A.M., Taib N.A., et al. Machine learning and deep learning approaches in breast cancer survival prediction using clinical data // Folia Biol (Praha). 2019. Vol. 65, N 5-6. P. 212–220.
  19. Лакшманан В., Робинсон С., Мунн М. Машинное обучение. Паттерны проектирования. Санкт-Петербург : БХВ-Петербург, 2022. 448 с.
  20. Turk S.P., Lumbard K., Liepshutz K., et al. Post-treatment Lyme disease symptoms score: Developing a new tool for research // PLoS One. 2019. Vol. 14, N 11. P. e0225012. doi: 10.1371/journal.pone.0225012
  21. Миноранская научный сотрудник , Усков А.Н., Сарап П.В. Значение иммунного статуса для прогноза хронизации боррелиозной инфекции // Журнал инфектологии. 2014. Т. 6, № 1. С. 35–40.
  22. Суздальцев А.А., Каравашкин Н.В., Кулагина А.П. Клинико-эпидемиологические аспекты иксодового клещевого боррелиоза в Самарской области // Медицинский вестник Башкортостана. 2021. Т. 16, № 3 (93). С. 27–32.
  23. Бондаренко А.Л., Сапожникова В.В. Анализ клинико-эпидемиологических, лабораторных показателей и цитокинового статуса у пациентов с эритемной и безэритемной формами иксодового клещевого боррелиоза // Инфекционные болезни. 2018. Т. 16, № 2. С. 34–42. doi: 10.20953/1729-9225-2018-2-34-42
  24. Blom K., Cuapio A., Sandberg J.T., et al. Cell-mediated immune responses and immunopathogenesis of human tick-borne encephalitis virus-infection // Front Immunol. 2018. Vol. 9. P. 2174. doi: 10.3389/fimmu.2018.02174
  25. Rutkowska E., Kwiecień I., Kulik K., et al. Usefulness of the new hematological parameter: reactive lymphocytes RE-LYMP with flow cytometry markers of inflammation in COVID-19 // Cells. 2021. Vol. 10, N 1. P. 82. doi: 10.3390/cells10010082
  26. Georgakopoulou V.E., Makrodimitri S., Triantafyllou M., et al. Immature granulocytes: Innovative biomarker for SARS-CoV-2 infection // Mol Med Rep. 2022. Vol. 26, N 1. P. 217. doi: 10.3892/mmr.2022.12733
  27. Rizo-Téllez S.A., Méndez-García L.A., Flores-Rebollo C., et al. The neutrophil-to-monocyte ratio and lymphocyte-to-neutrophil ratio at admission predict in-hospital mortality in Mexican patients with severe SARS-CoV-2 Infection (COVID-19) // Microorganisms. 2020. Vol. 8, N 10. P. 1560. doi: 10.3390/microorganisms8101560
  28. Oehadian A., Michels M., de Mast Q., et al. New parameters available on Sysmex XE-5000 hematology analyzers contribute to differentiating dengue from leptospirosis and enteric fever // Int J Lab Hematol. 2015. Vol. 37, N 6. P. 861–868. doi: 10.1111/ijlh.12422

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Алгоритм дерева решения для ранней клинической дифференциальной диагностики между тремя классами пациентов без мигрирующей эритемы на месте присасывания иксодового клеща, имевших диагнозы смешанной инфекции безэритемной формы иксодового клещевого боррелиоза и клещевого энцефалита, моноинфекции безэритемной формы иксодового клещевого боррелиоза или моноинфекции клещевого энцефалита: ИКБ — моноинфекция иксодового клещевого боррелиоза; КЭ — моноинфекция клещевого энцефалита; СИ — смешанная инфекция иксодового клещевого боррелиоза и клещевого энцефалита; ИСНМ — индекс соотношения нейтрофилов и моноцитов, усл. ед.; СОЭ — скорость оседания эритроцитов, мм/ч; EO — относительное число эозинофилов, %; RE-LYMP — абсолютное число реактивных лимфоцитов, ×109/л; IG — абсолютное число незрелых гранулоцитов, ×109/л.

Скачать (477KB)
Метаданные
3. Рис. 2. Алгоритм дерева решения для ранней клинической дифференциальной диагностики между двумя классами пациентов с мигрирующей эритемой на месте присасывания иксодового клеща, имевших диагнозы смешанной инфекции эритемной формы иксодового клещевого боррелиоза и клещевого энцефалита или моноинфекции эритемной формы иксодового клещевого боррелиоза: BASO — относительное число базофилов, %; IG — абсолютное число незрелых гранулоцитов, ×109/л; RE-LYMP — абсолютное число реактивных лимфоцитов, ×109/л.

Скачать (251KB)
Метаданные

© Эко-вектор, 2023


 


Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».